0
Прегледи
Машинно обучение. Напреднали - безплатен курс от Otus, обучение 5 месеца, Дата: 4 декември 2023 г.
разни / / December 08, 2023
Ще овладеете усъвършенствани техники за машинно обучение, които ще ви позволят да се чувствате уверени на ръководни позиции на Middle/Senior и да се справяте дори с нестандартни задачи.
Ще разширите гамата си от налични инструменти за работа. Нещо повече, дори за теми като байесови методи и обучение с подсилване, които обикновено се преподават изключително под формата на теория, ние избрахме реални работещи случаи от нашите практики.
Отделен модул е посветен на работата в производството: настройка на средата, оптимизиране на кода, изграждане на тръбопроводи от край до край и внедряване на решения.
Разнообразни проектни задачи
По време на курса ще изпълните няколко практически задачи, за да консолидирате уменията си по разглежданите теми. Всяко задание е практически проект за анализ на данни, който решава конкретно приложение за машинно обучение.
За кого е този курс?
За анализатори, програмисти и учени по данни, практикуващи машинно обучение. Курсът ще ви помогне да разширите възможностите си и да продължите напред по пътя на кариерата си.
След завършване на курса ще можете да:
Настройте средата и напишете производствен код, готов за внедряване
Работете с подходите на AutoML и разберете ограниченията при тяхното използване
Разбират и могат да прилагат Bayesian методи и обучение за укрепване към съответните проблеми
Решаване на нестандартни проблеми, възникващи в препоръчителни системи, времеви редове и графики
Започнах в училище с поялник в ръцете си. Тогава имаше ZX Spectrum. Отидох в университета за специалност инженерство. В механиката има много интересни неща, но през 2008 г. интересът към ИТ превзема: компютърните...
Започнах в училище с поялник в ръцете си. Тогава имаше ZX Spectrum. Отидох в университета за специалност инженерство. В механиката има много интересни неща, но през 2008 г. интересът към ИТ превзе: компютърни мрежи -> Delphi -> PHP -> Python. Има експерименти с други езици, но аз искам да пиша на този език. Участвал в проекти за автоматизиране на бизнес процеси с помощта на невронни мрежи (услуга за поръчка на такси Максим) и разработване на информационни системи в медицината. Работил с ГИС системи и обработка на изображения с Python. В преподаването позицията е: "Ако някой не може да обясни нещо сложно с прости думи, това означава, че все още не е много добър в това." разбира.”Образование: Кургански университет, катедра по сигурност на информацията и автоматизираните системи, докторска степен. Завършва през 2002г Курганския държавен университет със степен по „Многоцелеви верижни и колесни превозни средства.“ През 2005 г. защитава дисертация по безстепенни трансмисии. Оттогава той е официално назначен в университета (KSU). Учител
Работи като анализатор на данни в хедж фонда Meson Capital. Занимава се с изграждането на различни модели, които прогнозират поведението на фондовия пазар. Преди това прекарах повече от 9 години в решаване на бизнес проблеми на базата на машина...
Работи като анализатор на данни в хедж фонда Meson Capital. Занимава се с изграждането на различни модели, които прогнозират поведението на фондовия пазар. Преди това той прекара повече от 9 години в решаване на бизнес проблеми, базирани на машинно обучение в компании като Alfa Bank, SberMegaMarket, HomeCredit, LPSU MIPT, изграждане на модели на компютърно зрение, обработка на естествен език и време редове. Той е гост-лектор в MIPT, където преподава собствен курс „Практически ML.” Валентин завършва магистърската си степен в MIPT. Неговите интереси включват внедряване и изграждане на инфраструктура за решения, управлявани от данни. Учител
Опитен разработчик, учен и експерт по машинно/задълбочено обучение с опит в препоръчителните системи. Има повече от 30 научни публикации на руски и чужди езици, защитил е докторска дисертация на тема анализ и...
Опитен разработчик, учен и експерт по машинно/задълбочено обучение с опит в препоръчителните системи. Има повече от 30 научни публикации на руски и чужди езици, защитава докторска дисертация по анализ и прогнозиране на динамични редове. Завършва Факултета по компютърни науки към Националния изследователски университет Московски енергиен институт, където през 2008г. получава бакалавърска степен, магистър през 2010 г. и кандидат на техническите науки през 2014 г. Още преди да започна работа по неговата дисертация, се запалих по анализа на данни и при реализирането на първия си значим проект преминах от обикновен програмист до ръководител на отдела за развитие. В продължение на около 10 години той преподава сродни дисциплини в Националния изследователски университет Московския енергиен институт, като е доцент на катедрата. Ръководи екипи за Data Science, разработващи проекти в областта на NLP, RecSys, Time Series и Computer Vision Teacher
Разширено машинно обучение. AutoML
-Тема 1. Производствен код на проекта, използвайки пример за проблем с класификация/регресия, виртуални среди, управление на зависимости, pypi/gemfury
-Тема 2. Практически урок - Оптимизация на кода, паралелизиране, мултипроцесиране, ускоряване на pandas, Modin за Pandas
-Тема 3. Разширена предварителна обработка на данни. Категорични кодировки
-Тема 4.Инструменти за функции - ще измислите ли функции за мен?
-Тема 5.H2O и TPOT - ще изграждаш ли модели за мен?
производство
-Тема 6. Практическо занятие - Изграждане на тръбопроводи от край до край и сериализиране на модели
-Тема 7.REST архитектура: Flask API
-Тема 8.Docker: Структура, приложение, внедряване
-Тема 9. Kubernetes, оркестрация на контейнери
-Тема 10. Практически урок за работа в производство: внедряване на Docker в AWS
Времеви редове
-Тема 11. Извличане на характеристики. Трансформация на Фурие и Wavelet, Автоматично генериране на характеристики - tsfresh
-Тема 12. Неконтролирани подходи: Групиране на времеви редове
-Тема 13. Неконтролирани подходи: Сегментиране на времеви редове
Системи за препоръчване. Задача за класиране
-Тема 14. Системи за препоръки 1. Изрична обратна връзка
-Тема 15. Системи за препоръки 2. Неявна обратна връзка
-Тема 16. Задача за класиране - Учим се да класираме
-Тема 17. Практическо занятие по препоръчителни системи. Изненада!
-Тема 18. Въпроси и отговори
Графики
-Тема 19. Въведение в графиките: основни понятия. NetworkX, Stellar
-Тема 20. Графичен анализ и интерпретация. Откриване на общността
-Тема 21. Предсказване на връзката и класификация на възлите
-Тема 22. Практическо занятие: Хейтъри в Twitter
Bayesian Learning, PyMC
-Тема 23. Въведение във вероятностното моделиране, апостериорни оценки, вземане на проби
-Тема 24. Марковска верига Монте-Карло (MCMC), Метрополис–Хейстингс
-Тема 25. Bayesian AB тестване
-Тема 26. Обобщен линеен модел (GLM) - Байесови регресии, извеждане на постериорни оценки на коефициенти
-Тема 27. Практическо занятие по GLM
-Тема 28. Bayesian trust network: практическо упражнение
-Тема 29. Практически урок по логит регресия
Обучение с подсилване
-Тема 30. Въведение в ученето с подсилване
-Тема 31. Многовъоръжени бандити за оптимизация на AB тестване, от теория - направо в битка
-Тема 32. Практическо занятие: Многовъоръжени бандити в електронната търговия: оптимизиране на търсенето
-Тема 33. Процес на вземане на решения по Марков, Функция на стойността, Уравнение на Белман
-Тема 34. Итерация на стойност, Итерация на политика
-Тема 35. Практическо занятие: Медицински случай Марковска верига Монте Карло
-Тема 36. Времева разлика (TD) и Q-обучение
-Тема 37.SARSA и практически урок: Финансов казус TD и Q-learning
-Тема 38. Въпроси и отговори
Работа по проект
-Тема 39. Консултация по проекта, избор на тема
-Тема 40. Бонус: Намиране на работа в областта на науката за данни
-Тема 41. Защита на проектантска работа
Машинно обучение на практика
Въвеждащ практически курс по машинно обучение. Разглежда се пълният цикъл на изграждане на решение: от избора на първоначалните данни (.xlsx файл”) до изграждане на модел и разясняване на крайния клиент на особеностите на данните и спецификата на получените резултат. Теоретичните раздели - класификация, регресия, прогнози, ансамбли - са дадени в режим на преглед, доколкото е необходимо за правилното изграждане и разбиране на анализираните примери.
4
41 500 ₽
Повече информация Към уебсайта на курса
АБОНИРАЙ СЕ
YOU MIGHT ALSO LIKE
